Как сохранить клиентов с помощью машинного обучения

Использование машинного обучения для автоматизации принятия управленческих решений в бизнесе становится одним из важнейших средств повышения конкурентоспособности. Уже сегодня data mining помогает анализировать происходящие в системах процессы в нужном разрезе и визуализировать customer journey map пользователей.

Количество сфер, где машинное обучение пришло на помощь человеку, автоматизируя и ускоряя рутинные задачи, год от года увеличивается. По данным MIT Technology Review, 60% компаний в том или ином виде используют машинное обучение в своём бизнесе. Внедрение машинного обучения действительно способно увеличивать прибыль компании. По различным оценкам, эффективность бизнеса от применения машинного обучения возрастает на 2—3%.

60% компаний используют машинное обучение, по данным MIT Technology Review

Согласно отчёту Notes from the AI frontier, к 2030 году 70% компаний будут использовать в своей деятельности технологии искусственного интеллекта. Эти показатели свидетельствуют о том, что передовые разработки в области анализа данных скоро станут обязательным и массовым инструментом по выстраиванию бизнес-процессов в современных организациях.

Лидирующие сферы по количеству внедрений технологий машинного обучения:

• финансовый и банковский сектор (противодействие мошенничеству с помощью выявления аномалий и оценка рисков кредитования),
• промышленность,
• медицинский сектор,
• логистика,
• телеком,
• ритейл.

Уберечь и удержать

Один из самых частых запросов, поступающих в наш департамент искусственного интеллекта, — это решение задач прогнозирования оттока клиентов или сотрудников. Сокращение оттока клиентов становится одним из ключевых направлений бизнеса. Для этого нужно следить за показателями, вовремя выявлять и устранять тревожные признаки. Затраты на привлечение клиентов гораздо выше, чем на удержание, а сами потерянные клиенты — прямая потеря дохода.

Маркетологи выдвигают и прорабатывают разнообразные стратегии удержания, чтобы понизить коэффициент оттока клиентов. Какие клиенты могут уйти, на кого обратить внимание в первую очередь, окупятся ли затраты на удержание — эти вопросы являются основными в этом процессе.

Предиктивная аналитика помогает ранжировать клиентов по степени лояльности и принимать превентивные меры по их удержанию. Часто это выражается в автоматическом генерировании персональных рекомендаций и запуске процессов по повышению лояльности клиентов. Косвенно прогнозы по количественному изменению клиентской базы b2c-компании используют для точного расчёта годовой прибыли.

Анализ клиентских данных и модели машинного обучения позволяет заранее определить, кто из клиентов прямо сейчас собирается перейти к конкурентам и по каким основным причинам. Эта информация, сформированная в виде интерактивных дашбордов, помогает маркетологам и другим специалистам быстро разобраться в причинах оттока, заметить новые тенденции, а также оптимизировать свою работу и повысить эффективность в решении возникающих проблем.

Этапы внедрения технологий машинного обучения

1. Первый шаг — это получение исторических клиентских данных, которые, как правило, собирают из разрозненных систем, например CRM, DMP, систем аналитики. Некорректные значения в данных могут значительно снизить будущую точность прогнозирования. Стек технологий машинного обучения позволит не только собрать нужную информацию в сжатые сроки, но и обработать её: устранить выбросы, дубликаты, некорректные данные и заполнить пропуски. Одним из побочных преимуществ обработки данных является возможность проведения кластеризации пользовательской базы, чтобы повысить эффективность взаимодействия.

Для создания цифрового профиля клиента требуется большой набор признаков, характеризующих персональные признаки каждого клиента. Обычно в такой набор входят социально-демографические признаки — возраст, пол, которые можно получить из заполненной анкеты при регистрации карты лояльности или регистрации на портале интернет-магазина. Контактные данные (email, телефон) могут использовать не только для доставки маркетинговых предложений, но и для связи и обогащения недостающих персональных данных из внешних систем. Существует большое количество сервисов, предлагающих услуги продажи пользовательских данных. Они нужны, когда есть задача найти кластер клиентов, которые за последний месяц интересовались покупкой автомобилей, чтобы разослать им предложение по продаже тонировочных сеток на окнах.

Если клиент зарегистрирован в фирменном приложении, то можно получить довольно большой набор факторов: от марки телефона до поведенческих признаков.

Наиболее важные признаки в контроле оттока клиентов в ритейле — это частота и сумма покупок, сколько прошло дней с последнего визита, пол и возраст клиента, а также вариативность товаров — покупка из разных категорий (кто-то случайно зашёл и купил непопулярный товар, а кто-то на постоянной основе покупает продукты ежедневной потребности, например хлебобулочные изделия).

2. Признаков, полученных из систем компании и внешних источников, в большинстве случаев не хватает. Обычно следующим этапом является генерирование новых признаков на основе существующих данных. Это могут быть признаки, свидетельствующие о снижении вовлечённости клиента и активности использования продукта. Уменьшение количества времени, проводимого на сайтах или в приложениях, значится как самый распространённый признак оттока. Сюда можно отнести также и количество обращений в службу поддержки, так как если у клиента есть открытые вопросы и он пытается их разрешить, то он всё ещё заинтересован в оказываемых услугах. Имеет смысл наблюдать за увеличением пользователей, которые переходят на более дешёвые услуги, что может привести к переходу клиентов к конкурирующим компаниям.

3. Раз уж речь пошла о конкуренции на рынке, то можно учитывать и эти внешние данные, а именно какую активность проявляют конкуренты, ценовую политику и её изменения, технологический прогресс, количество упоминаний в новостной ленте и многое другое. При открытии рядом магазина по продаже аналогичных продуктов процессы сбора информации о конкуренте и его анализ с применением машинного обучения будет оперативнее.

4. Затем нужно проанализировать работу алгоритмов машинного обучения, выяснить, какой именно из алгоритмов наиболее подходит с учётом специфики стоящей задачи оттока. На выбор определённого алгоритма может повлиять диапазон точности, которого хотелось бы достичь, или время обучения.

5. Использовать полученную модель можно различными способами. Мы рекомендуем интегрировать и встроить модуль в уже используемую клиентом систему. На нашей практике такой подход интеграции модели с CRM-системой и ранжирование клиентов по критерию вероятности оттока показал неплохой результат. Это поможет оптимизировать передачу данных в модель, а также выстроить и упростить бизнес-процессы по удержанию клиентов.

6. Последним шагом является выбор способа имплементации готовой модели машинного обучения в существующие бизнес-процессы компании. Интегрирование в ИТ-инфраструктуру можно осуществлять различными способами — от загрузки модельной оценки оттока непосредственно в ячейку рабочего Excel-документа до разработки полноценного информационного портала с личным кабинетом маркетолога. Но самый частый запрос от клиентов — это интеграция разработанной модели в используемую CRM-систему. Это упрощает задачу поддержания актуальности клиентских данных, сокращает трудозатраты на разработку отдельного решения, позволяет работать со всеми клиентами в одной системе.

Контроль оттока сотрудников

Предсказывать можно и отток сотрудников. Прогнозирование оттока сотрудников позволяет выполнять набор сотрудников заранее или, что более выгодно для организации, проводить меры по удержанию существующего персонала.

К компаниям, активно использующим предиктивную аналитику для предотвращения оттока и контроля эффективности сотрудников, относятся такие гиганты, как: Hewlett-Packard, IBM, Best Buy — американская компания, владеющая крупной сетью магазинов бытовой электроники и сопутствующих товаров.

Стоит упомянуть и про «чёрных лебедей» — непрогнозируемые обстоятельства, такие как пандемия этого года. Если тех или иных значимых событий, меняющих конъюнктуру рынка, не было в обучающей выборке, то модель постепенно начинает деградировать, снижая свою точность и увеличивая разрыв между модельными представлениями и реальной ситуацией. Для выхода из такой ситуации можно применять дообучение модели на свежих данных.

Автор: Дмитрий Тимаков, руководитель направления «Машинное обучение» компании «Норбит»

Источник: Сбер ПРО